【技术实现步骤摘要】
本申请涉及数据异常预测模型，特别涉及一种数据异常预测模型的生成和更新方法及系统。
技术介绍
1、随着物联网技术的日渐成熟，其越来越多地被应用到不同的生产生活场景中，万物互联的雏形已开始形成。在一些对网络节点间的相互协调实时性要求高的场景，比如自动驾驶、智慧工厂、数据中心等，常常需要寻找一种实时的数据异常预测方法，以及时发现系统中潜在的故障节点，以防止部分节点的异常而导致整个系统的停顿甚至崩溃。
2、以深度学习为代表的人工智能技术的再度兴起，使其成为很多领域里用于预测及估算的新算法，许多学者也提出了基于深度学习的物联网数据异常预测方法，其通常需要人工提前标注好大量的有标签数据，并送入模型进行大量训练工作。这种方法的优点是，当训练数据足够多时，往往能有较高的预测准确率。其缺点也比较明显，如果模型的结构及初始参数选择不当，模型的训练过程不容易收敛，导致计算量极大且模型精度下降较大。另外，该模型一般无法在线调优，要更新模型就需要重新训练和部署。设计一种在线的小样本数据异常预测方法是物联网领域需要解决的技术问题之一。
【技术保护点】
1.一种数据异常预测模型的生成和更新方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的数据异常预测模型的生成和更新方法，其特征在于，在执行步骤S100之前，包括：预先公开监控节点的公钥。
3.根据权利要求2所述的数据异常预测模型的生成和更新方法，其特征在于，所述步骤S100中的生成初始元组，包括：
4.根据权利要求3所述的数据异常预测模型的生成和更新方法，其特征在于，所述步骤S100中的生成模式矩阵，包括：
5.根据权利要求4所述的数据异常预测模型的生成和更新方法，其特征在于，所述步骤S100中的生成模式矩阵，还
...
【技术特征摘要】
1.一种数据异常预测模型的生成和更新方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的数据异常预测模型的生成和更新方法，其特征在于，在执行步骤s100之前，包括：预先公开监控节点的公钥。
3.根据权利要求2所述的数据异常预测模型的生成和更新方法，其特征在于，所述步骤s100中的生成初始元组，包括：
4.根据权利要求3所述的数据异常预测模型的生成和更新方法，其特征在于，所述步骤s100中的生成模式矩阵，包括：
5.根据权利要求4所述的数据异常预测模型的生成和更新方法，其特征在于，所述步骤s100中的生成模式...
【专利技术属性】
技术研发人员：郑皓桦，刘海锋，
申请(专利权)人：广州优刻谷科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。